EMD距离

假设要把$Q$处的方块排列移动成$P$处模样。

定义：
$d_{i,j}$为将方块从$Q$处的第$i$堆移动到$P$处的第$j$堆途经的距离；
$f_{i,j}$为从$Q$处第$i$堆移动到$P$处第$j$堆的方块的数量。

作出如下约束条件：
$f_{i,j}>0$ 每次移动正数数量的方块；
$\sum_{j=1}^{N}f_{i,j}<=q_{i}$，$\sum_{j=1}^{N}f_{i,j}$为从$Q$中$i$处移动到$P$各处的方块量，显然不能超过$Q$中$i$处本来就有的量；
$\sum_{i=1}^{N}f_{i,j}<=p_{i}$，$\sum_{i=1}^{N}f_{i,j}$为从$Q$中各处移动到$P$种$j$处的方块量，显然不需要超过$P$中$j$处本来就有的量。(假设方块只从$Q$运到$P$处，不在$P$内部进行搬运)

A Machine Learning-Based Fast-Forward Solver for Ground Penetrating Radar With Application to Full-Waveform Inversion

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING

使用神经网络建立正向模型，输入为：

• Water fraction of the concrete ($WC$). 含水率
• Radius of the rebar ($R$). 钢筋半径
• Depth of the rebar ($D$). 埋深

输出为测点处探地雷达信号。通过优化算法匹配探地雷达信号和网络输出，得到输入，完成全波反演。

GPR Full-Waveform Inversion With Deep-Learning Forward Modeling: A Case Study From Non-Destructive Testing

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING

上一篇针对A-scan，这里能够B-scan了。

同样使用神经网络模型，输入为：

• the water fraction ($MC$) 含水率
• the diameter ($R$) 钢筋直径
• depth ($D$) 埋深
• position ($X$) 位置

显然，输入比上面多了一个位置$X$，对于B-scan信号能够给出位置信息了。

同样的用优化算法匹配，获得输入的值，完成全波反演。

最近只能记得七秒内的东西，七秒外的东西要在此记录一下！

大文件存储mat

当要存储的mat文件过大时：

1

save(path , ‘X_all’ ,’-v7.3’ )

python大文件mat读取

对于-v7.3存储的mat文件一般这么读

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

import h5py
dict_data = h5py.File(X_all.mat) #dict_data文件里可能有多个cell,各对应着一个dataset

print(dict_data.keys()) # 可以用keys的方法查看cell的名字
# 输出：<KeysViewHDF5 ['X_all']>

print(dict_data.values()) #可以用values方法查看各个cell的信息
# 输出：ValuesViewHDF5(<HDF5 file "X_all.mat" (mode r+)>)

data = dict_data['X_all'] #选取一个cell
print(data.shape)#查看维度，是matlab写入数据的转置
# 输出：(522, 3145776)

## 需要转置回来
data_t = np.transpose(data) #data_t是numpy.ndarray
# 再将其存为npy格式文件
np.save('X_all.npy', data_t)
# 要用再这么读
matrix = np.load(X_all.npy')

Adaptive Discriminator Augmentation(ADA)

• 避免手动调整增强强度, 根据过拟合程度动态控制它
• 量化过拟合的标准方法：使用一个单独的验证集，并观察其相对于训练集的行为
• 在N个连续的小批次上的平均值表示为$E[·]$

$$r_v = \frac{E[D_{train}]-E[D_{validation}]}{E[D_{train}]-E[D_{generated}]}$$

$$r_t = E[\mathsf{sign}(D_{train})]$$

对于$r_v$和$r_t$来说，值为0时是没有过拟合，值为1时是完全过拟合。

费了半天劲儿终于找到了training_loop中调用augment_pipe的地方。

1
2

loss = dnnlib.util.construct_class_by_name(device=device, **ddp_modules, **loss_kwargs) # subclass of training.loss.Loss
....

1
2
3
4
5
6
7
8
9
10
11

class StyleGAN2Loss(Loss):
    ......
    def run_D(self, img, c, sync):
        if self.augment_pipe is not None:
            img = self.augment_pipe(img)
        with misc.ddp_sync(self.D, sync):
            logits = self.D(img, c)
        return logits
    ......
    def accumulate_gradients(self, phase, real_img, real_c, gen_z, gen_c, sync, gain):
    ......

在这里对StyleGAN 2 ADA的源码进行一个粗略的解读，主要目的是获得ADA的使用方法，顺便学习一下代码风格。

EasyDict

1

args = dnnlib.EasyDict()

其中，dnnlib为自定义包，EasyDict是其中定义的一个类。

1
2
3
4
5
6
7
8
9
10
11
12
13
14

class EasyDict(dict):
    """Convenience class that behaves like a dict but allows access with the attribute syntax."""

    def __getattr__(self, name: str) -> Any:
        try:
            return self[name]
        except KeyError:
            raise AttributeError(name)

    def __setattr__(self, name: str, value: Any) -> None:
        self[name] = value

    def __delattr__(self, name: str) -> None:
        del self[name]

这里__getattr__这里应该输入key返回值的函数，__getattr__是新增键值对的函数，__delattr__是删除键值对的函数。

目录

• *号的使用
• super(father).__init__()
• if的后置
• for的后置

*号的使用

对于*出现在函数参数中的情况可以表示为可变参数，一般写作*args ，用于将可变数量的参数传递给函数

1
2
3
4
5
6
7
8
9
10
11

def Fa(*args):
    c=1
    for n in args:
        c=c*n
    return c

print(Fa(2,3)) #输出6

print(Fa(2,3,4))  #输出24

print(Fa(2,3,4,5))  #输出120

对于单独出现在参数中的*参数，则表示，*后面的参数必须为关键字参数的形式